/ Модель

Характеристики

Контекст
4 096 токенов
Параметры
13,2 млрд
Размер весов
27,5 ГБ
Лицензия
MIT
Архитектура
llama · dense
Опубликована
7 июн 2024

sarashina2-13b

Генерация текстаТекст → текст3 профессии

Sarashina2-13B — базовая языковая модель SB Intuitions для генерации японского и английского текста.

546скачиваний за 30 дней19лайковвеса обновлены26 авг 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Sarashina2-13B — большая языковая модель, разработанная SB Intuitions и обученная на японских и английских текстах. Это плотная авторегрессионная модель архитектуры Llama 2 с 13,2 млрд параметров; версия 13B использует 40 слоёв и скрытое измерение 5120. Модель обучена на корпусе объёмом 2,1 трлн токенов. Для токенизации используется SentencePiece с unigram-моделью и byte fallback; японские тексты можно подавать без предварительной токенизации специализированным японским токенизатором.

Модель предназначена для генерации текста на японском и английском языках: продолжения фрагментов, создания черновиков и языковых экспериментов. Контекст составляет 4096 токенов. Модель не настроена следовать инструкциям, поэтому может выдавать бессмысленный, неточный, предвзятый или нежелательный текст; для диалоговых и пользовательских сценариев разработчики рекомендуют дополнительную настройку с учётом человеческих предпочтений и безопасности. Лицензия — MIT.

Сценарии применения

  • продолжение японского текста
  • генерация английского текста
  • создание черновиков на японском языке
  • языковые эксперименты с японским и английским текстом

Ограничения

Модель не настроена следовать инструкциям и может генерировать бессмысленный, неточный, предвзятый или нежелательный текст. Контекст ограничен 4096 токенами; для пользовательских сценариев рекомендуется дополнительная настройка с учётом предпочтений и требований безопасности.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Sarashina2-13B

This repository provides large language models trained by SB Intuitions.

How to use

import torch
from transformers import AutoModelForCausalLM, AutoTokenizer, pipeline, set_seed
 
model = AutoModelForCausalLM.from_pretrained("sbintuitions/sarashina2-13b", torch_dtype=torch.bfloat16, device_map="auto")
tokenizer = AutoTokenizer.from_pretrained("sbintuitions/sarashina2-13b")
# If you want to use slow tokenizer
# tokenizer = AutoTokenizer.from_pretrained("sbintuitions/sarashina2-13b", use_fast=False)
generator = pipeline("text-generation", model=model, tokenizer=tokenizer)
set_seed(123)
 
text = generator(
    "おはようございます、今日の天気は",
    max_length=30,
    do_sample=True,
    pad_token_id=tokenizer.pad_token_id,
    num_return_sequences=3,
)

for t in text:
  print(t)
 

Configuration

ParametersVocab sizeTraining tokensArchitecturePosition typeLayersHidden dimAttention heads
7B1024002.1TLlama2RoPE32409632
13B1024002.1TLlama2RoPE40512040
70B1024002.1TLlama2RoPE80819264

Training Corpus

For our Japanese training data, we used a Japanese portion of the Common Crawl corpus, which is the largest Web corpus, as our training dataset. To clean the training corpus, we used CCNet and HojiChar. After cleaning, our Japanese training data contains about 1T tokens.

For our English training data, we extracted English documents from SlimPajama but we removed books3 corpus due to copyright infringement.

Tokenization

We use a sentencepiece tokenizer with a unigram language model and byte-fallback. We do not apply pre-tokenization with Japanese tokenizer. Thus, a user may directly feed raw sentences into the tokenizer.

Ethical Considerations and Limitations

Sarashina2 has not been tuned to follow an instruction yet. Therefore, sarashina2 might generate some meaningless sequences, some inaccurate instances or biased/objectionable outputs. Before using sarashina2, we would like developers to tune models based on human preferences and safety considerations.

License

MIT License

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм

Можно запустить

Подбираем GPU…

Класс архитектуры
LlamaForCausalLM
Ревизия весов
07b16d2

0 моделей